模块化神经网络用于检测下骨质疏松症的下骨圆束计算机断层扫描
Ivars Namatevs1, Arturs Nikulins1, Edgars Edelmers1,2
1Institute of Electronics and Computer Science, LV-1006 Riga, Latvia.
Tomography (Ann Arbor, Mich.)
|October 27, 2023
概括
深度卷积神经网络 (DCNNs) 通过下骨圆束计算断层扫描 (CBCT) 有效诊断骨质疏松症. 这种人工智能方法显示了改善骨质疏松症检测和患者护理的巨大潜力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 口腔和面放射学 口腔和面放射学
背景情况:
- 骨质疏松症的诊断通常依赖于系统性评估.
- 圆束计算断层扫描 (CBCT) 提供了下骨结构的详细数据.
- 深度卷积神经网络 (DCNN) 提供先进的图像分析功能.
研究的目的:
- 为了评估DCNN在骨质疏松症诊断中的有效性,使用下CBCT扫描.
- 为骨质疏松症检测开发和评估一个细分的,三相DCNN方法.
- 探索人工智能的潜力,通过牙科成像增强骨质疏松症的识别.
主要方法:
- 利用了188名患者的下CBCT图像与基于ResNet-101框架的DCNN模型.
- 实施了分段的三相方法:骨片识别,截面视图坐标定位和骨厚计算.
- 员工转移学习,采用DCNN培训的模块化方法.
主要成果:
- 第1阶段 (骨片识别) 实现了98.85%的训练准确度.
- 第二阶段 (坐标精确定位) 将L1的损失最小化至1.02像素.
- 第三阶段 (骨厚计算) 报告了0.8377的平均平方误差,这表明检测骨质疏松症变异的准确性很高.
结论:
- 通过下CBCT,DCNN显示了通过精确检测骨质疏松症的显著潜力.
- 分隔式DCNN方法提高了模型透明度和训练稳定性.
- 这种人工智能驱动的方法即使在有限的CBCT数据集中也有效,有望改善医疗保健.
